史上AI最高分！谷歌大模型创美国医师执照试题新纪录，科学常识水平媲美人类医生

羿阁 2022-12-28 14:06:00 来源：量子位

杨净 羿阁 发自 凹非寺

量子位 | 公众号 QbitAI

史上AI最高分，谷歌新模型刚刚通过美国医师执照试题验证！

而且在科学常识、理解、检索和推理能力等任务中，直接与人类医生水平相匹敌。在一些临床问答表现中，最高超原SOTA模型17%以上。

此进展一出，瞬间引爆学界热议，不少业内人士感叹：终于，它来了。

广大网友在看完Med-PaLM与人类医生的对比后，则是纷纷表示已经在期待AI医生上岗了。

还有人调侃这个时间点的精准，恰逢大家都以为谷歌会因ChatGPT而“死”之际。

来看看这到底是一个什么样的研究？

史上AI最高分

由于医疗的专业性，今天的AI模型在该领域的应用很大程度上没有充分运用语言。这些模型虽然有用，但存在聚焦单任务系统（如分类、回归、分割等）、缺乏表现力和互动能力等问题。

大模型的突破给AI+医疗带来了新的可能性，但由于该领域的特殊性，仍需考虑潜在的危害，比如提供虚假医疗信息。

基于这样的背景，谷歌研究院和DeepMind团队以医疗问答为研究对象，做出了以下贡献：

• 提出了一个医学问答基准MultiMedQA，包括医学考试、医学研究和消费者医学问题；
• 在MultiMedQA上评估了PaLM及微调变体Flan-PaLM；
• 提出了指令提示x调整，让Flan-PaLM进一步与医学接轨，产生了Med-PaLM。

他们认为「医疗问题的回答」这项任务很有挑战性，因为要提供高质量的答案，AI需要理解医学背景、回忆适当的医学知识，并对专家信息进行推理。

现有的评价基准往往局限于评估分类准确度或自然语言生成指标，而不能对实际临床应用中详细分析。

首先，团队提出了一个由7个医学问题问答数据集组成的基准。

包括6个现有数据集，其中还包括MedQA（USMLE，美国医师执照考试题），还引入了他们自己的新数据集HealthSearchQA，它由搜索过的健康问题组成。

这当中有关于医学考试、医学研究以及消费者医学问题等。

接着，团队用MultiMedQA评估了PaLM（5400亿参数）、以及指令微调后的变体Flan-PaLM。比如通过扩大任务数、模型大小和使用思维链数据的策略。

FLAN是谷歌研究院去年提出的一种微调语言网络，对模型进行微调使其更适用于通用NLP任务，使用指令调整来训练模型。

结果发现，Flan-PaLM在几个基准上达到了最优性能，比如MedQA、MedMCQA、PubMedQA和MMLU。尤其是MedQA（USMLE）数据集，表现超过了此前SOTA模型17%以上。

本项研究中，共考虑了三种不同规模的PaLM和Flan-PaLM模型变体：80亿参数、620亿参数以及5400亿参数。

不过Flan-PaLM仍存在一定的局限性，在处理消费者医学问题上表现效果不佳。

为了解决这一问题，让Flan-PaLM更适应医学领域，他们进行了指令提示调整，由此产生Med-PaLM模型。

△示例：新生儿黄疸需要多长时间才能消失？

团队首先从MultiMedQA自由回答数据集（HealthSearchQA、MedicationQA、LiveQA）中随机抽取了一些例子。

然后让临床医生5人组提供示范性答案。这些临床医生分布于美国和英国，在初级保健、外科、内科和儿科方面具有专业经验。最终在HealthSearchQA、MedicationQA和LiveQA中留下了40个例子，用于指令提示调谐训练。

多个任务接近人类医生水平

为了验证Med-PaLM的最终效果，研究人员从上文提到的MultiMedQA中抽取了140个消费者医疗问题。

其中100个来自HealthSearchQA数据集，20个来自LiveQA数据集，20个来自MedicationQA数据集。

值得一提的是，这里面并不包含当初用于指令提示调整以生成Med-PaLM的问题。

他们让Flan-PaLM和Med-PaLM分别对这140个问题生成答案，又请来一组专业的临床医生作出回答。

以下图为例，当被问到“耳朵疼得厉害意味着什么”时，Med-PaLM不仅会一条条列出患者可能感染的疾病，还会建议如果有以下几种现象应该去就医。

耳部疼痛可能是几种潜在疾病的征兆，包括：中耳感染(中耳炎)、外耳感染(耳部感染)、耳垢嵌塞。也可能是更严重疾病的征兆，比如脑瘤或中风。

如果你有严重的耳朵疼痛，持续时间超过几天，或者有其他症状伴随耳朵疼痛，如头晕、发烧、面部无力或麻木，你应该去看医生进行评估。医生可以确定疼痛的原因，并提供适当的治疗。

就这样，研究人员将这三组答案匿名后交给9名分别来自美国、英国和印度的临床医生进行评估。

结果显示，在科学常识方面，Med-PaLM和人类医生的正确率都达到了92%以上，而Flan-PaLM对应的数字为61.9%。

在理解、检索和推理能力上，总体来说，Med-PaLM几乎达到了人类医生的水平，两者相差无几，而Flan-PaLM同样表现垫底。

在答案的完整性上，虽然Flan-PaLM的回答被认为漏掉了47.2%的重要信息，但Med-PaLM的回答有显著提升，只有15.1%的回答被认为缺失了信息，进一步拉近了与人类医生的距离。

不过，尽管遗漏信息较少，但更长的答案也意味着会增加引入不正确内容的风险，Med-PaLM的答案中不正确内容比例达到了18.7%，为三者中最高。

再考虑到答案可能产生的危害性，29.7%的Flan-PaLM回答被认为存在潜在的危害；Med-PaLM的这个数字下降到了5.9%，人类医生相对最低为5.7%。

除此之外，在医学人口统计学的偏见上，Med-PaLM的性能超过了人类医生，Med-PaLM的答案中存在偏见的情况仅有0.8%，相比之下，人类医生为1.4%，Flan-PaLM为7.9% 。

最后，研究人员还请来了5位非专业用户，来评估这三组答案的实用性。Flan-PaLM的答案只有60.6%被认为有帮助，Med-PaLM的数量增加到了80.3%，人类医生最高为91.1%。

总结上述所有评估可以看出，指令提示调整对性能的提升效果显著，在140个消费者医疗问题中，Med-PaLM的表现几乎追上了人类医生水平。

背后团队

本次论文的研究团队来自谷歌和DeepMind。

继去年谷歌健康被曝大规模裁员重组后，这可以说是他们在医疗领域推出一大力作。

连谷歌AI负责人Jeff Dean都出来站台，表示强烈推荐！

有业内人士看完后也称赞道：

临床知识是一个复杂的领域，往往没有一个明显的正确答案，而且还需要与病人进行对话。

这次谷歌DeepMind的新模型堪称LLM的完美应用。

值得一提的是，前段时间刚通过了美国医师执照考试另一个团队。

再往前数，今年涌现的PubMed GPT、DRAGON、Meta的Galactica等等一波大模型，屡屡在专业考试上创下新的记录。

医疗AI如此盛况，很难想象去年还一度唱衰的光景。当时谷歌与医疗AI相关的创新业务始终没有做起来。

去年6月还一度被美国媒体BI曝光正陷入重重危机之中，不得不大规模裁员重组。而在2018年11月谷歌健康部门刚成立时可谓风光无限。

也不只是谷歌，其他知名科技公司的医疗AI业务，也都曾经历过重组、收购的情况。

看完这次谷歌DeepMind发布的医疗大模型，你看好医疗AI的发展吗？

论文地址：
https://arxiv.org/abs/2212.13138

参考链接：
https://twitter.com/vivnat/status/1607609299894947841